托盘识别白皮书

托盘的摆放偏差、规格差异、反光或低反射率表面，会影响无人叉车的叉取与搬运。本文说明托盘识别的工程挑战、PalletPro 的识别与对接流程，以及已公开的应用案例。 在仓储物流场景中，AMR、无人叉车等设备可承担重复搬运任务；安全、定位和与货物的可靠对接仍需由完整的系统方案保障。 移动设备相关作业风险需要通过车辆控制、障碍物检测、作业流程和现场管理共同控制。英国健康与安全管理局公布了 2023/24 年移动设备碰撞致死事故数据，可作为行业背景参考。

​

仓储自动化背景

大型仓储已在分拣、搬运和拣选环节部署机器人。公开报道的 Amazon Robotics 信息 表明，机器人系统通常由感知、车辆控制、调度和现场安全机制共同组成。对无人叉车而言，稳定识别托盘及其位姿是其中的关键输入。

​

托盘识别的工程挑战

无人叉车需要获取托盘相对于车辆的位姿，用于调整对接路径。实际环境中，托盘的横向偏移、角度、结构和表面反射率均可能变化；环境光和遮挡也会影响传感器数据质量。

​

识别思路

PalletPro 基于 3D ToF 深度数据提取托盘腿部、横杆等点云特征，输出用于车辆对接的位姿信息。标签识别和 2D LiDAR 可用于特定场景，但是否适用取决于托盘结构、安装方式和现场条件。

​

PalletPro 托盘识别系统

PalletPro 将 3D 相机与托盘识别算法结合，向上层控制系统提供托盘的位置和姿态信息。

• 集成与输出：算法在相机内处理深度数据，以 10 FPS 输出识别结果。
• 部署与对接：相机可安装在叉车两叉臂之间。自动标定用于建立相机、车辆与托盘的坐标关系；标准两腿、四腿托盘及多托盘堆叠可按现场条件评估。无腿或异形托盘需进行项目评估。
• 集成方式：系统提供实时识别结果，具体接口、车型安装和对接策略需按项目文档配置。

• 环境适应性：对于强环境光和低反射率托盘，应结合相机型号、安装距离、曝光与滤波参数进行现场验证。

前往B站，观看迈尔微视托盘识别室外场景实测 黑色托盘等低反射率目标可能降低点云质量；请使用对应实测视频和现场数据评估识别效果。 前往B站，观看迈尔微视黑色托盘识别实测

​

识别与对接

M 系列相机可安装在叉车的两个叉臂之间，采集托盘深度数据并由算法输出托盘位姿。 典型流程中，车辆先在托盘前方约 2 m 处获取位姿并校正角度，再在约 1.5 m 处进行精确定位与横向校正。实际距离和控制策略应按车型、速度与场地验证。 方案可采用 两次对接 或 实时对接。由车辆控制系统根据任务流程使用识别结果。

​

两次对接

1. 远端定位：车辆在距托盘 1,800–2,800 mm 的范围内获取识别结果，调整角度和横向偏移。
2. 近端校验：当叉尖距托盘前沿约 200 mm 时，再次获取识别结果并判断是否满足叉取要求。
3. 叉取：校验通过后执行叉取；未通过时调整后重新校验。

​

实时对接

车辆连续获取识别结果以调整位姿。在距托盘前沿约 200 mm 时进行微调并完成叉取。控制系统应根据数据时间戳处理延迟。

​

通信方式

方案支持 TCP、UDP、CAN、RS-485 和 API 等接口。接口可用性与消息格式应以对应产品和部署文档为准；识别算法与避障算法的切换应按项目配置执行。

​

案例分享

​

案例一：光纤通信企业的托盘与电缆盘具孔位识别

项目背景：F 公司使用无人堆高车执行物流任务，项目关注托盘和电缆盘具孔位的识别与搬运。 方案：PalletPro 提供托盘深度和位姿信息，车辆控制系统据此调整堆高车位姿；3D 视觉还用于识别电缆盘具孔位。

​

案例二：玻璃纤维行业的非标准托盘识别

项目背景：中国巨石集团桐乡基地引入无人叉车，用于生产流程中的自动化搬运。 难点：内部物流使用多种定制金属托盘，形状与摆放角度存在差异，增加了识别和叉取难度。 方案：无人叉车搭载 PalletPro，获取托盘深度数据，并对托盘位置与姿态进行实时校正。

​

引用来源

1. UK Health and Safety Executive
2. The Robot Report